研究大型語言模型如何介入參數化家具設計，幫助非設計背景的使用者跨過專業工具的門檻。
- 以桌子（13 個參數）與櫃子（15 個參數）為案例，建構「自然語言輸入 → 語意參數轉換 → 參數化模型更新」四層原型系統，串接 GPT 系列模型、Excel 資料橋接與 Grasshopper
- 設計「參數語意規範」：定義參數範圍、語意對應、相依與條件規則與安全限制，並依預試中出現的失敗案例反覆補強
- 16 位受試者（設計／非設計背景各 8 人）受試者內實驗，比較傳統滑桿與 LLM 輔助語言兩種介面，結合非參數統計與主題式分析
- 兩介面整體差異未達顯著，但 LLM 介面的相對增益呈現背景分化效應（p = .018，大效果量）：非設計背景者在直覺性、滿意度與探索動機上顯著較高
- 提出「粗調—細調」混合式互動流程：LLM 適合前期發散探索，滑桿適合後期精修；研究成果入選 4DFF 2026 口頭發表
參數很多，但使用者說的是生活語言
參數化模型能快速調整櫃子的高度、深度、層板位置與格層比例，但一座櫃子就有十多個滑桿，名稱往往看不出實際效果，組合起來更有成千上萬種變化。一般使用者得逐一試錯才找得到合適的尺寸；設計師也要投入大量時間微調。
使用者其實知道自己想放什麼、需要什麼風格，卻不知道「哪個參數」代表這些需求。本研究讓大型語言模型成為「設計需求」與「參數控制」之間的中介。
傳統做法：一個一個調滑桿
下方為 Rhino＋Grasshopper 的實際操作錄影：調整層板數、左側是否分兩層、是否加門、開門角度與材質，模型即時更新。每個滑桿都要理解意義、反覆嘗試，才能看出對造型的影響。
語言 × 參數：四層原型系統
系統分兩條線建構：一條建立家具參數化模型與參數標記，經語言模型解析語意、依 Prompt 規則轉成參數；另一條建立固定的資料格式，由 GPT 輸出 Excel，再串接 Grasshopper 更新模型。
使用者只要用日常語言描述收納方式、放置物品或使用情境，系統就會產生完整參數並更新 3D 模型。為了降低語意歧義，另外設計「參數語意規範」：定義參數範圍、語意對應、相依條件與安全限制。
參數化客製櫃子：從一張照片到一整組櫃體家族
LLM 也能讀圖。提供一張參考照片，系統會辨識櫃子的顏色、比例、門片形式與層板配置，並以照片中 A4 文件盒等物件的尺寸推估各層高度，對應到參數模型，得到與原櫃相近的 3D 模型。
保留比例，衍生不同用途
接著讓 LLM 在保留層板比例的前提下，改變尺寸與顏色，衍生出低矮型電器櫃、房間收納櫃與桌上型書櫃三組參數方案，並附上用途說明。使用者不必從零思考尺寸，而是在一系列風格一致的選項之間做選擇。
仿生紋理手機殼：用對話調整紋理本身
第二個應用案例。仿生（Voronoi）紋理手機殼的客製化不是換圖案，而是調整孔洞大小、密度、線條粗細、圓角與流動感，同時還要顧及厚度、鏡頭與按鍵開孔等結構條件，參數比一般手機殼複雜得多。
使用者可以直接說「孔洞再稀疏一些」「邊界包覆再強一點」「想更輕量但保留基本保護」，由語言模型調整對應參數，再以不同 seed 瀏覽多種紋理排列。語言模型也能彙整各機型公開規格，縮短前期蒐集尺寸資料的時間。
同一套紋理，套用到不同機型
用語言調整紋理的粗細與厚度
實驗結果：對非設計背景者幫助最大
兩種介面的整體差異未達顯著，但非設計背景者在直覺性、滿意度與探索動機上，從 LLM 介面得到的提升顯著高於設計背景者。這表示語言介面最能幫助原本被參數門檻擋在外面的人；而設計師在精修階段仍偏好滑桿的精準控制。